时间戳

首页 > 解决方案 > Apache Airflow：在单个 DAG 运行中运行所有并行任务

parallel-processing - Apache Airflow：在单个 DAG 运行中运行所有并行任务

问题描述

我有一个有 30 个（或更多）动态创建的并行任务的 DAG。

我concurrency在该 DAG 上设置了选项，因此在追赶历史记录时，我只有一个 DAG Run 运行。当我在我的服务器上运行它时，实际上只有 16 个任务并行运行，而其余 14 个任务只是等待排队。

我应该更改哪个设置，以便我只运行 1 个 DAG Run，但所有 30 多个任务并行运行？

根据这个 FAQ，它似乎是dag_concurrencyor之一max_active_runs_per_dag，但前者似乎已经被concurrency设置过度驱动，而后者似乎没有效果（或者我实际上搞砸了我的设置）。这是示例代码：

import datetime as dt
import logging

from airflow.operators.dummy_operator import DummyOperator

import config

from airflow import DAG
from airflow.operators.python_operator import PythonOperator

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
    'concurrency': 1,
    'retries': 0,
}


def print_operators(ds, **kwargs):
    logging.info(f"Task {kwargs.get('task_instance_key_str', 'unknown_task_instance')}")


dag = DAG(
    dag_id='test_parallelism_dag',
    start_date=dt.datetime(2019, 1, 1),
    default_args=default_args,
    schedule_interval='@daily',
    catchup=True,
    template_searchpath=[config.DAGS_PATH],
    params={'schema': config.SCHEMA_DB},
    max_active_runs=1,
)

print_operators = [PythonOperator(
    task_id=f'test_parallelism_dag.print_operator_{i}',
    python_callable=print_operators,
    provide_context=True,
    dag=dag
) for i in range(60)]

dummy_operator_start = DummyOperator(
    task_id=f'test_parallelism_dag.dummy_operator_start',
)

dummy_operator_end = DummyOperator(
    task_id=f'test_parallelism_dag.dummy_operator_end',
)

dummy_operator_start >> print_operators >> dummy_operator_end

编辑 1：我的当前airflow.cfg包含：

executor = SequentialExecutor
parallelism = 32
dag_concurrency = 24
max_active_runs_per_dag = 26

我的环境变量如下（将它们全部设置为不同的，以便轻松发现哪一个有帮助）：

AIRFLOW__CORE__EXECUTOR=LocalExecutor
AIRFLOW__CORE__DAG_CONCURRENCY=18
AIRFLOW__CORE__MAX_ACTIVE_RUNS_PER_DAG=20
AIRFLOW__CORE__WORKER_CONCURRENCY=22

有了这个，我有了下面的甘特图： 在此处输入图像描述

哪种提示我设置 DAG_CONCURRENCY 环境变量有效。

标签： parallel-processingtaskscheduled-tasksairflow

解决方案

要更改的实际参数在 airflow.cfg 中或使用env 变量dag_concurrency覆盖它。AIRFLOW__CORE__DAG_CONCURRENCY

根据我在问题中提到的文档：

concurrency$concurrency ：Airflow 调度程序将在任何给定时间为您的 DAG运行不超过任务实例。并发在您的 Airflow DAG 中定义。如果您没有在 DAG 上设置并发，调度程序将使用dag_concurrency 您的airflow.cfg 条目中的默认值。

这意味着遵循简化的代码：

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
    'concurrency': 1,
}


dag = DAG(
    dag_id='test_parallelism_dag',
    default_args=default_args,
    max_active_runs=1,
)

应改写为：

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
}


dag = DAG(
    dag_id='test_parallelism_dag',
    default_args=default_args,
    max_active_runs=1,
    concurrency=30
)

我的代码实际上有错误的假设，即default_args在某些时候将实际的 kwargs 替换为 DAG 构造函数。我不知道当时是什么导致我得出这个结论，但我想设置concurrency为1有一些草稿剩余，它实际上从未影响任何东西，并且实际 DAG 并发是从配置默认值设置的，即 16。

推荐阅读